Geri Dön

Yapay sinir ağları ile öğrenci başarısını değerlendirme: Analiz ve ilerleme önerileri

Assessing student achievement with artificial neural networks: Analysis and recommendations

  1. Tez No: 868914
  2. Yazar: ZEYNEP DEMİR
  3. Danışmanlar: PROF. DR. ÖMER FARUK ERTUĞRUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Batman Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 53

Özet

Bu çalışma, öğrenci başarısını tahmin etmek amacıyla eğitilen Yapay Sinir Ağı (YSA) modelinin performansını değerlendirmeyi hedeflemektedir. Geniş bir veri seti üzerinde gerçekleştirilen eğitim ve test süreçleri sonucunda elde edilen bulgular, çeşitli önemli kategorilerde detaylı bir şekilde incelenmiştir. Temel dersler arasında yer alan Türkçe ve Matematik gibi derslerde modelin düşük Root Mean Square Error (RMSE) değerleri elde ettiği gözlemlenmiştir. Bu durum, modelin bu derslerde güçlü tahminler yapabildiğini işaret etmektedir. Ancak, İnkılap Tarihi ve Fen Bilimleri gibi derslerde test RMSE değerlerinde bir artış gözlemlenmiştir; bu durum da modelin bu derslerde daha fazla iyileştirme potansiyeli taşıdığını göstermektedir. Deneme sınavı puanları ve toplam net sonuçları tahmininde de benzer bir analiz gerçekleştirilmiştir. Deneme sınavı puanları tahminlerinde eğitim ve test RMSE değerleri arasındaki fark dikkat çekicidir. Bu durum, modelin deneme sınavı puanları tahminlerinde daha fazla iyileştirme yapma potansiyeline yada modelin daha fazla geliştirilmesi gerektiğine işaret etmektedir. Ayrıca, modelin eğitim süreleri incelenmiş ve farklı kategorilerde farklı eğitim süreleri tespit edilmiştir. Modelin daha karmaşık kategorilerde, özellikle de deneme sınavı puanları tahminlerinde, daha uzun sürelerle eğitilmesi gerektiği gözlemlenmiştir. Bu çalışmanın temel amacı, YSA modelinin öğrenci başarısını tahmin etme konusunda genel bir etkinlik sergilediğini vurgulamaktadır. Ayrıca, çalışmanın kapsamında yer alan hedefler arasında; 1) Deneme sınavlarına bağlı olarak Liselere Geçiş Sınavı (LGS) sonucunu tahmin etme, 2) Deneme sınavlarının LGS sınavına olan benzerliğini ölçme ve 3) Yapay Zeka (AI) kullanarak öğrencilerin akademik başarısını belirlemede izleyeceği rolü belirleyen bir akademik danışmanlık/koçluk altyapısının kurulabileceğini gösterme hedefleri de bulunmaktadır. Bu hedefler, çalışmanın özünde yer alan önemli katkıları ifade etmektedir.

Özet (Çeviri)

This study aims to evaluate the performance of an Artificial Neural Network (ANN) model trained to predict student achievement. The findings obtained as a result of the training and testing processes on a large data set are analyzed in detail in various important categories. It was observed that the model obtained low Root Mean Square Error (RMSE) values in courses such as Turkish and Mathematics, which are among the basic courses. This indicates that the model is able to make strong predictions in these subjects. However, an increase in test RMSE values was observed in subjects such as History of Turkish Revolution and Science, indicating that the model needs to be further improved in these subjects. The difference between training and test RMSE values in the prediction of mock exam scores is striking. This indicates that the model needs to be further improved in the prediction of mock exam scores. Furthermore, training durations were analyzed and different training durations were found for different categories. It was observed that the model should be trained for longer periods for more complex categories, especially for predicting mock exam scores. The main objective of this study is to emphasize that the ANN model exhibits a general effectiveness in predicting student achievement. In addition, the objectives of the study include; 1) Predicting High School Transition Exam (LGS) scores based on mock exams, 2) Measuring the similarity of trial exams to the LGS exam and 3) There are also goals to show that an academic advising/coaching infrastructure that determines the role of Artificial Intelligence (AI) in determining the academic success of students. These goals represent important contributions at the core of the study.

Benzer Tezler

  1. Yükseköğretimde öğrenci başarılarının sınıflandırılmasında yapay sinir ağları ve lojistik regresyon yöntemlerinin kullanılması

    The usage of artifical neural network and logistic regression methods in the classification of student achievement at higher education

    GÜLÇİN ÇIRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Eğitim ve ÖğretimAnkara Üniversitesi

    Ölçme ve Değerlendirme Ana Bilim Dalı

    DOÇ. DR. ÖMAY ÇOKLUK

  2. PISA 2018 Türkiye örnekleminde okuma okuryazarlık düzeylerinin farklı veri madenciliği sınıflandırma yöntemleri ile incelenmesi

    Examination of reading literacy levels in PISA 2018 Turkey sample with different data mining classification methods

    EMRAH BÜYÜKATAK

    Doktora

    Türkçe

    Türkçe

    2022

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. DUYGU ANIL

  3. Öğrenci başarılarının yapay sinir ağları ile kestirilmesi ve lojistik regresyon analizi ile etki modellerinin etkililiğinin karşılaştırılması.

    Estimation of student successes by artificial neural networks and comparison of efficacy of impact models by logistic regression analysis.

    İZZETTİN AYDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Eğitim ve ÖğretimYüzüncü Yıl Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    YRD. DOÇ. DR. GÜROL ZIRHLIOĞLU

  4. An ensemble learning model for wide-area measurement based transient stability assessment in power systems

    Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli

    CAN BERK SANER

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  5. Lightweight facial expression recognition systems for social robots

    Sosyal robotlar için hafif ağırlıklı yüz ifadesi tanıma sistemleri

    ERHAN BİÇER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE